AdaboSt.MH

在线学习的决策理论推广及其在Boosting中的应用在本文的第一部分中,我们考虑在一组最坏情况下的在线框架中的一组选项中动态分配资源的问题。我们研究的模型可以被解释为一个广泛的,抽象的扩展研究良好的在线预测模型到一般的决策理论设置。我们表明,乘法权重更新Littlestone Warmuth规则可以适用于这个模型,在一些情况下产生稍微弱的边界,但适用于一个相当一般的学习问题。我们展示了如何产生的学习算法可以应用于各种问题,包括赌博,多个结果预测,重复游戏,预测点$ $ BFR^ N$。在本文的第二部分中,我们采用乘法权重更新技术推导出一种新的Boosting算法。这种提升算法不需要任何关于弱学习算法的性能的先验知识。我们还研究了新的Boosting算法推广到学习函数的问题,其范围不是二进制,而是一个任意的有限集合或实线的有界段。


ZBMaX中的参考文献(430篇)1标准条款

显示结果41至60的430。
按年份排序(引文
  1. 戈麦斯,Heitor M.;BiBET,艾伯特;Read,杰西;BaldAl,Jean Paul;Enembreck,Fabr;Co;Po.;Y;Abdessalem;Y:自适应随机森林用于演化数据流分类(2017)
  2. Gotoh,Jun;Uyasev,Stan:基于凸风险函数和一般范数的支持向量机(2017)
  3. 古特弗罗因德,丹;Kontorovich,阿耶赫;莱维.巴斯比鲁,冉;Rosen Zvi,Michal:提升条件概率估计(2017)
  4. 荷兰、Matthew J.、池田、Kazushi:偏倚目标的稳健回归(2017)
  5. 华,陈加;诺里安,Farzad;苔藓,邓肯;Leong,Philip H. W.;Gunaratne,GEMunu H.:基于核Koopman模式回归的高维时间序列预测(2017)
  6. 阚阿莫日,Takafumi;藤原,Shuhei;Takeda,Akik:使用离群指标的铰链损耗学习算法的稳健性(2017)
  7. 克劳丝,克里斯托弗;DO,Xuan Anh;Huck,尼古拉斯:深度神经网络,梯度提升树,随机森林:标准普尔500指数的统计套利(2017)
  8. 迈尔,安德烈亚斯;霍夫纳,本杰明;瓦尔德曼,Elisabeth;HEPP,托拜厄斯;迈耶,塞巴斯蒂安;Gefeller,Gefeller:生物医学统计提升的最新进展(2017)
  9. 麦克马汉,H. Brendan:自适应在线学习算法与分析综述(2017)
  10. 普伦萨A,雨果;内维什,Jo.A.C.:融合优势点树和线性判别法进行快速特征分类(2017)
  11. Santos,Eugene jun.;赵,严:复杂系统中的自动涌现检测(2017)
  12. 西西利亚诺,罗伯塔;D'AMBROSIO,安东尼奥;咏叹调,马西莫;阿莫迪奥,索尼亚:网络访问历史分析。II:利用嵌套残根回归树预测导航(2017)
  13. SRINVASAN,AsWin;Bain,米迦勒:关系数据流在线模型的实证研究(2017)
  14. Tzirakis,PANAGIOTIS;TJORTJIS,Christos:T3C:改进决策树分类算法对连续属性的区间分裂(2017)
  15. 杨,卡罗尔;张,富民:选择人类动作一致反应的学习算法(2017)
  16. 张,乐;郑,春秋;李,田;邢,雷;Zeng,韩;李,婷婷;巴东,曹,曹,阿,Ziyuan;(2017)
  17. 亚当斯基,德米特里;库伦,Wouter M.;Chernov,阿列克谢;Vovk,弗拉迪米尔:对适应性后悔的更近看(2016)
  18. Ali,Farman;HayAT,MaqSOod:利用混合特征空间识别细胞外基质蛋白的机器学习方法(2016)
  19. Bijangdii,Mehdi;AyatoLaHi,Seyyed Mohammad Taghi;PulaMaad,Saeedeh:导引决策树中终端节点分类的可靠性预测非酒精性脂肪肝病(2016)
  20. Buchbinder,NIV;陈,Shahar;Naor,约瑟夫(SEFFI);夏米尔,OHAD:在线学习和竞争分析的统一算法(2016)